Содержание к диссертации
Введение
Глава 1. Задачи анализа лояльности клиентов телекоммуникационной компании 8
1.1. Лояльность как категория эффективности телекоммуникационной компании 8
1.2. Системный анализ данных компании 21
1.3. Сегментация по характеристикам клиента 26
1.4. Выводы 29
Глава 2. Сегментация данных для оценки лояльности ... 30
2.1. Сегментированный анализ, основанный на формуле Байеса 30
2.2. Сети Байеса 42
2.3. Оценка взаимосвязи между факторами сегмента 48
2.4. Выводы 60
Глава 3. Алгоритмы оценки сегментов телекоммуникационных данных 62
3.1. Алгоритмы оценки наполнения сегментов и их реализация 64
3.2. Алгоритмы оценки взаимосвязей между сегментами в телекоммуникационных данных и их реализация 75
3.2.1. Определение взаимосвязей между услугами компании при помощи регрессионно-когнитивного моделирования 75
3.2.2. Оценка лояльности клиента по отношению к услугам компании с учётом его характеристик 87
3.3. Выводы 90
Заключение 91
Список использованных источников 92
- Системный анализ данных компании
- Сети Байеса
- Алгоритмы оценки взаимосвязей между сегментами в телекоммуникационных данных и их реализация
- Оценка лояльности клиента по отношению к услугам компании с учётом его характеристик
Введение к работе
Актуальность темы исследования. Одним из основных недостатков современных систем обслуживания клиентов телекоммуникационных компаний заключается в том, что клиент фактически обезличивается, рассматривается как «лицевой счёт». Такой подход к клиенту может привести к образованию упущенной выгоды, которая связана с недоучётом потребностей и возможностей клиента. Во многих ситуациях размер этой упущенной выгоды весьма значителен, поэтому в условиях обостряющейся конкурентной борьбы за клиента на первый план выходит индивидуальный подход к обслуживанию, способный найти наиболее рациональный индивидуальный баланс интересов на рынке телекоммуникационных услуг.
Одной из основных проблем при этом становится проблема предсказания оттока клиентов (churn prediction) или оценка «лояльности» клиентов. Как показывают оценки экспертов [34], привлечение нового клиента стоит примерно в 10 раз больше, чем удержание старого, а возврат ушедшего - в 100 раз больше. Для реализации качественного формирования оценки лояльности клиента должны быть использованы интеллектуальные методы анализа данных, которые позволяют выявить «скрытые» знания о взаимосвязях между индивидуальными характеристиками клиента и его отношением к компании-оператору. Лояльность клиента может измеряться в некоторых условных единицах и оцениваться достоверностью принадлежности клиента к определенному платёжному диапазону по шкале доходности компании, - здесь возможны разные методы и модели оценки.
Сфера использования таких методов и моделей отличается тем, что накопленные компанией объёмы данных должны обобщаться до такого уровня представления информации, который может быть охарактеризован как получение новых знаний о мотивациях поведения клиента.
В настоящее время существуют различные методики анализа клиентской базы данных телекоммуникационной компании с целью формирования оценки
4 лояльности клиентов. Наиболее известными в этой области являются исследования таких зарубежных и отечественных авторов, как: Вернер Дж. Рейнартц, В. Кумар, И. Ансофф, Д. Аакер, П. Дойль, К. Келлер, Ф. Котлер, Д. Кревенс, Ж. Ламбен, А. Макаров и др. Большой вклад в развитие внесли работы Д. Пепперс, М. Роджерс, Ф. Райчхелд, Р.Д. Блэкуелл, Пол У. Минард, Джейн Ф. Энджел, Ф. Котлер, Ж. Ламбен, Д. Говард, Д. Шет, Р. Голдсмит, С. Браун; этой проблеме посвящены работы российских авторов А.В. Зозулева, Ю. Морозова, В. Дорошева, Г. Багиева и др. Однако эти разработки не всегда позволяют учесть специфические особенности телекоммуникационных систем: организацию данных, биллинга, учёт индивидуальных свойств клиента и т.п.
Неполнота априорной информации о свойствах клиентов препятствует использованию существующих аналитических систем для интеллектуального анализа данных в телекоммуникационных компаниях. В связи с этим, решение проблемы оценки лояльности клиентов с учётом полноты разнородной информации об индивидуальных качествах клиента представляется актуальным, тесно связанным с развитием общих концепций CRM-систем (Customer Relationship Management).
Объектом исследования являются алгоритмы обработки данных биллинговой системы телекоммуникационной компании.
Целью работы является построение моделей и алгоритмов анализа данных телекоммуникационной компании, формирующих количественную оценки лояльности клиентов по отношению к компаниям-операторам.
Для достижения поставленной цели требуется решить следующие задачи:
Выявить наиболее перспективные подходы и методы оценки лояльности клиентов телекоммуникационной компании.
Проанализировать концепции апостериорного анализа данных для эффективного прогнозирования взаимодействий с клиентами.
Разработать алгоритмы сегментированного анализа данных с учётом индивидуальных свойств клиентов и оценки взаимосвязей между сегментами и услугами.
Провести моделирование, основанное на предложенных алгоритмах и реальных данных компании-оператора, и сделать выводы о целесообразности использования разработанных моделей.
Методы исследования. Основные теоретические и экспериментальные исследования диссертационной работы выполнены с применением методов теории вероятности, математической статистики, когнитивного моделирования, регрессионного анализа.
Научная новизна диссертационной работы заключается в следующем: Предложены алгоритмы формирования оценок лояльности клиентов телекоммуникационной компании с использованием их индивидуальных личностных характеристик: алгоритм наполнения сегментов и алгоритм оценки взаимосвязей между сегментами. Алгоритм наполнения сегментов основан на использовании формулы Байеса, которая определяет апостериорную вероятность принадлежности клиента к сегменту с учётом его индивидуальных характеристик. Алгоритм оценки взаимосвязей между сегментами позволяет выявить скрытые закономерности между объёмами телекоммуникационных услуг на основе регрессионно-когнитивного моделирования.
Достоверность результатов работы обеспечивается адекватным использованием методов теории вероятности, математической статистики. Достоверность положений и выводов работы подтверждается результатами моделирования.
Практическая ценность работы. Использование разработанных алгоритмов позволяет повысить эффективность взаимодействия с клиентами и обеспечить достоверность оценок их лояльности и платёжеспособности.
Реализация результатов работы. Разработанные в работе алгоритмы
анализа приняты к использованию Самарским филиалом
ОАО «ВолгаТелеком», а также внедрены в учебный процесс Поволжской государственной академии телекоммуникаций и информатики (г. Самара).
Апробация работы. Отдельные законченные этапы работы докладывались и обсуждались на Российских научных конференциях профессорско-преподавательского состава, научных сотрудников и аспирантов (Самара, 2006-2008); Международных научно-технических конференциях «Проблемы техники и технологии телекоммуникаций» (Самара, 2006; Уфа, 2007); 4-й международной научно-технической конференции «Информатизация процессов формирования открытых систем на основе САПР, АСНИ, СУБД и систем искусственного интеллекта: ИНФОС-2007» (Вологда, 2007); 6-й Всероссийской научно-практической конференции «Компьютерные технологии в науке, практике и образовании» (Самара, 2007); 7-й Всероссийской научно-технической конференции «Проблемы информатики в образовании, управлении, экономике и технике» (Пенза, 2007).
Публикации. Основное содержание диссертации отражено в 11 опубликованных работах. Публикации включают 4 статьи в научных изданиях, рекомендуемых ВАК для публикации научных работ, и 7 материалов докладов на научно-технических конференциях.
На защиту выносятся:
модель прогнозирования лояльности клиентов телекоммуникационной компании, основанная на использовании их индивидуальных свойств;
алгоритмы выявления скрытых зависимостей (корреляций) между объемами услуг телекоммуникационной компании;
рекуррентные алгоритмы пересчёта апостериорных вероятностей при сегментном анализе платёжных-диапазонов.
7 Структура и объём работы
Диссертационная работа состоит из введения, трёх глав, заключения и списка литературы. Основная часть работы содержит 97 страниц машинописного текста, 39 рисунков, 9 таблиц. Список литературы содержит 51 наименование.
Первая глава посвящена обзору методов анализа лояльности клиентов и принципам многофакторного сегментного статистического анализа платёжных диапазонов.
Вторая глава содержит разработки, описание и анализ алгоритма сегментирования клиентской базы компании с использованием вероятностных оценок, построенных на основе формулы Байеса. Приведены основные принципы анализа лояльности при помощи данного алгоритма.
В третьей главе рассмотрены вопросы реализации разработанных алгоритмов с целью определения лояльности клиентов на реальных данных биллинговой системы оператора мобильной связи. Получены конкретные результаты, на основе которых компания-оператор может более эффективно выстраивать свою работу с клиентами на основе их личностных характеристик.
В заключении сформулированы результаты работы.
Системный анализ данных компании
Телекоммуникационные системы, как уже упоминалось выше, являются сложными системами, анализ которых затруднен, прежде всего, в связи с наличием человеческого фактора. В этом случае наиболее конструктивным направлением для анализа данных компании может быть системный анализ. Конструктивность системного анализа связана с тем, что он предлагает методику проведения работ, позволяющую не упустить из рассмотрения существенные факторы, определяющие построение эффективных систем управления компанией в конкретных условиях. Кроме того, системный анализ можно рассматривать как методологию решения проблем, основанную на структуризации систем и количественном сравнении альтернатив. В системном анализе для решения конкретной задачи используются как математический аппарат общей теории систем, так и другие качественные и количественные методы из области математической логики, теории принятия решений, теории эффективности, методов моделирования и других областей. Применение системного анализа при анализе эффективности работы компании дает возможность указать целесообразную последовательность выполнения взаимосвязанных задач, позволяющих не упустить из рассмотрения важные стороны и связи изучаемого объекта. Общим для всех методик системного анализа является определение законов функционирования какой-либо системы, формирования вариантов структуры этой системы и выбор наилучшего варианта, осуществляемого путем решения задач декомпозиции, анализа исследуемой системы и синтеза системы. Задача декомпозиции в данном случае означает представление единой системы в виде подсистем, состоящих из более мелких элементов. Задача анализа состоит в нахождении различного рода свойств для этих систем и подсистем. Задача синтеза состоит в том, чтобы на основе двух предшествующих задач сформировать методологию, фактически выполняющую эти преобразования по определенному алгоритму. При этом должен быть предварительно определен класс элементов, из которых строится искомая методика, реализующая алгоритм функционирования.
Применительно к телекоммуникационным системам системный анализ позволит компаниям-операторам на основе имеющихся данных произвести анализ таким образом, чтобы выявляемые закономерности могли позволить решить проблему лояльности клиентов. К одной из таких практических реализаций системного анализа можно отнести процесс аналитической сегментации.
Сегмент - это группа (множество) объектов (клиентов), обладающих определенным набором свойств. Процесс сегментации заключается в аналитическом разделении клиентов на однородные группы. Различают маркетинговые сегменты, сегменты по наборам услуг, личностные (возрастные, образовательные) сегменты и так далее.
Сегментация состоит из трех следующих шагов: выбор критерия; кластеризация; профилирование и интерпретация. Выбор критерия происходит в зависимости от целей, которые преследует компания. Различают два метода сегментации: простейшая априорная сегментация и общая сегментация. Различие главным образом состоит в количестве критериев, используемых для объединения клиентов в группы. Если при простейшей априорной сегментации объединение клиентов происходит по одному, двум или максимум четырем критериям, то в общей сегментации количество критериев не ограничено, причем они могут быть взяты из разных областей.
На следующем шаге (после выбора определенного критерия) происходит кластеризация, на основе которой строятся сегменты с использованием значений всей группы переменных, определяющейся на основе бизнес - целей сегментации. Таким образом, похожие клиенты попадают в один сегмент, а различные в разные. Правильная сегментация должна обладать следующими свойствами: - единообразие - сегменты должны быть единообразными; - различие - сегменты должны значительно отличаться друг от друга; - представительность — каждый сегмент должен содержать достаточное количество клиентов; - обозримость - количество сегментов должно быть относительно невелико (обычно не более 10). На шаге интерпретации сегментов производится их описание, и выявляются различия между «соседними» сегментами.
Сложность сегментации и сегментированного анализа в целом обусловлена разнородностью сегментов, «скрытыми» взаимосвязями между ними, необходимостью использования вероятностных оценок, поскольку сегмент — случайное множество. Все перечисленные обстоятельства позволяют утверждать, что сегментированный анализ данных - важная разновидность системного анализа, требующая разработки спецификации соответствующих — задач анализа телекоммуникационных данных. На протяжении последних двадцати лет одним из основных направлений системного анализа является объектно-ориентированный подход (ООП) [6], который в дополнении к реляционному подходу [3] вводит понятие имманентных свойств объекта. Такие свойства с одной стороны характеризуют объект, а с другой - рассматриваются как признаки, выделяющие классы -потенциальные группы объектов. Спецификация имманентных свойств расширяет понятие отношения как условия (или ограничения), определяя свойство как возможность. Например, возможность «иметь высокую платежеспособность» или возможность «быть лояльным клиентом». В зависимости от отсутствия или наличия таких возможностей объект перемещается из одного класса в другой.
Для целей спецификации сегментированного анализа данных следует отметить, что полиморфизм (множественная интерпретация) как основная черта ООП позволяет рассматривать один и тот же объект как: 1) набор атрибутов (имманентных свойств); 2) члена группы (множества), в которую он попадает на основе отношений между атрибутами; 3) носителя возможности принадлежать определенной группе. Эта «триединая» сущность объекта включает в себя реляционный подход, теоретико-множественный и вероятностный. Первые два специфицируют сегмент как атрибутные ограничения или как множество объектов, а последний оценивает возможность принадлежность сегменту. Такие оценки имеют две принципиальные разновидности: 1) вероятность возможности атрибутных ограничений объекта (клиента) при условии его принадлежности сегменту; 2) вероятность принадлежности объекта сегменту при условии наличия атрибутных ограничений объекта.
Сети Байеса
Вычисление вероятности для определения лояльности клиентов, как уже упоминалась в п. 2.1, целесообразно производить при помощи формулы Байеса, которая позволяет на основе априорных вероятностей и набора характеристик клиента получить апостериорные, по которым можно делать выводы о принадлежности клиента к какому-либо маркетинговому сегменту компании. Кроме того, полученные значения могут дополнить данные компании для последующей оценки новых клиентов. Таким образом, возникает необходимость создания итеративного алгоритма пересчета, при помощи которого данные, полученные от предыдущего опыта, могли оказать влияние на последующие вычисления. Таким алгоритмом может выступать сеть Байеса (Bayesian Network).
Байесовские сети (сети доверия) - направленный ациклический граф, обладающий следующими свойствами [44]: - каждая вершина представляет собой событие, описываемое случайной, величиной, которая может иметь несколько состояний; - все вершины, связанные с «родительскими» определяются таблицей условных вероятностей или функцией условных вероятностей; - для вершины «родителей» вероятности её состояния являются безусловными (маргинальными).
Топологию сети можно рассматривать как абстрактную базу знаний, которая содержит целый ряд других установочных параметров, представляющих общую структуру причинных процессов в рассматриваемой задаче, а не специфические детали.
Байесовская-сеть позволяет полностьк -описать— исследуемую-областьтг причём каждый элемент, входящий в совместное распределение вероятностей, может быть вычислен, исходя из информации в сети. Вхождение элементов, объединённых в единое целое, — это вероятность конъюнкции конкретных значений переменных, то есть каждое такое вхождение представляется функцией соответствующих элементов таблиц условных вероятностей байесовской сети. Таким образом, таблицы условных вероятностей обеспечивают разложение целого на составные части.
Поскольку каждый узел соединён только с узлами, расположенными выше, то технология построения сети гарантирует, что сеть является нециклической. Другое важное свойство байесовских сетей заключается в том, что они не содержат избыточные значения вероятности, что гарантирует выполнение её аксиом.
Согласно рисунку 2.7 при предъявлении определённого набора личностных характеристик в представленной сети клиент определяется либо лояльным, либо нелояльным. Например, если клиент обладает личностной характеристикой 2 или 3 в категории ЛХ 2, то клиент со стереотипом 1 или стереотипом 2 с характеристикой 1 или 2 в категории ЛХ 1 соответственно считается лояльным. Если же клиент обладает характеристикой 1 в категории ЛХ 2, то он считается нелояльным.
Следует также отметить, что байесовские сети могут использоваться для устранения априорной неопределенности, которая может возникать вследствие: неполного понимания предметной области; неполных знаний об исследуемом объекте или его характеристики; в случаях, когда задача характеризуется случайностью. Причём одна из особенностей задач, связанных с выявлением лояльности клиентов, заключается в случайности, суть которой в том, что клиент в соответствии с определённым набором его характеристик может быть определен в любой сегмент компании. Этот факт даёт возможность говорить о том, что исследуемая задача обладает априорной неопределённостью, для устранения которой целесообразно использовать байесовскую сеть. Сеть Байеса также носит название «причинно-следственная сеть», так как случайные события соединены причинно-следственными связями.
Следует отметить, что следствием формулы Байеса является то, что она поддерживает оценку графа в обоих направлениях. Процесс рассуждения сопровождается распространением по сети вновь поступивших сигналов.
Введение в байесовскую сеть новых данных приводит к возникновению переходного процесса распространения по сети вновь поступившего свидетельства. После завершения переходного процесса каждому высказыванию, ассоциированному с вершинами графа, приписывается апостериорная вероятность, которая определяет степень доверия к этому высказыванию [39].
Данный алгоритм является механизмом устранения априорной неопределенности о событиях, суть которого заключается в том, чтобы пересчитать все апостериорные вероятности при начальных априорных значениях, в которые включены и условные априорные события. Величина х в алгоритме является начальным уровнем сети Байеса, от которого следует производить вычисления, величина п - конечный уровень. Результатом такого алгоритма будет набор вероятностей возникновения событий, на основе которого следует делать выводы об исследуемых предположениях.
Одним из показателей адекватности выдвигаемых предположений в соответствии с формулой Байеса и байесовской сети доверия может выступать траектория изменения априорной неопределённости или траектория байесовской сети, которая показывает зависимость апостериорной вероятности от последовательно представляемых условий. Данная траектория показывает, как происходит изменение апостериорных вероятностей в соответствии с алгоритмом пересчёта и последовательном представлении условий при приближении к результату. Причём наиболее достоверный результат будет в том случае, когда траектория распределения апостериорных вероятностей в зависимости от факторов, влияющих на результат, будет наиболее «гладкой». Например, в результате пересчёта получили, что из 5-й имеющихся сегментов вероятность 2-го сегмента равна 0,1, а вероятности остальных сегментов изменяются в пределах от 0,4-0,6. Результат 2-го сегмента резко изменяет траекторию байесовской сети, что сказывается на достоверности полученного результата. Траектория байесовской сети позволит визуально охарактеризовать изменения априорной вероятности с учётом предъявляемых условий и сделать вывод об адекватности полученных результатов пересчёта.
Алгоритм, основанный на байесовской сети доверия, способен не только произвести итерационный подсчёт вероятностей для устранения неопределённости о событии, но и ответить на главные вопросы телекоммуникационного оператора, связанные, в том числе, и с лояльностью клиента.
Алгоритмы оценки взаимосвязей между сегментами в телекоммуникационных данных и их реализация
Для представления алгоритма оценки пополнения сегмента необходимо произвести сегментацию, основанную на построении регрессионно 76 когнитивной модели, в основе которой, как упоминалось в предыдущей главе, лежит построение когнитивной карты ситуации, основанной на построении графа и отражающей возможные взаимосвязи между видами услуг компании-оператора, и анализ этих взаимосвязей через систему регрессионных уравнений.
Когнитивная карта ситуации представляет собой известные эксперту основные законы и закономерности наблюдаемой ситуации в виде ориентированного знакового графа, в котором вершины графа - это факторы (признаки, характеристики ситуации), а дуги между факторами - причинно-следственные связи между факторами [17]. Графовая модель такой карты характеризуется наличием вершин-факторов и дуг, помеченных знаками «+» и «-». Такая разметка определяет положительные и отрицательные связи между факторами. При положительной связи увеличение значения фактора-причины приводит к увеличению значения фактора-следствия, а при отрицательной связи увеличение значения фактора-причины приводит к уменьшению значения фактора-следствия [25, 40].
Полносвязный граф, иллюстрирующий возможные связи между услугами Двунаправленные стрелки иллюстрируют взаимные влияния факторов друг на друга, причём структура такого полносвязного графа внутри каждого из диапазонов идентична. Различия главным образом состоят в наличии или отсутствии тех или иных связей между услугами и силе этих связей.
Значения коэффициентов оцениваются на основе данных биллингового файла для каждого из платёжного диапазона. Следует также отметить, что клиенты, попавшие в первый диапазон, относятся к категории полностью не лояльных и связи между услугами данного диапазона отсутствуют. В этом случае компании-оператору целесообразно заложить в качестве возможной услуги только сервис, например, абонентскую плату. В связи с отсутствием наличия взаимосвязей между услугами первый платёжный диапазон в дальнейшем рассматриваться не будет. Кроме того, для упрощения ситуации были оставлены вне поля зрения хронология получения записей и категориальный тип клиента.
Для выбора независимых переменных, включаемых в регрессионную модель, целесообразно использовать технологии Data Mining [8,32,46], в частности эволюционное программирование, реализованное в системе PolyAnalyst [50]. В модуле системы после задания целевого и других факторов происходит автоматический выбор наиболее значимых независимых переменных, после которого начинается анализ, цель которого заключается в определении наличия скрытых связей между элементами графа для некоторой вершины.
Реализуя процесс построения линейной регрессии, PolyAnalyst тестирует различные линейно-регрессионные модели, включающие в себя всевозможные комбинации независимых переменных. Для каждой модели определяются значения её регрессионных коэффициентов и их стандартных отклонений. Величина F-ratio для множителя из регрессионной модели определяется как квадрат частного от деления модуля соответствующего регрессионного коэффициента на величину его стандартного отклонения. Если регрессионная модель содержит F-ratio меньший, чем critical F-ratio value, то эта модель отвергается.
В случае, когда регрессионная модель включает независимые переменные с частично пропущенными значениями, она может предсказывать значение зависимой переменной только для некоторого подмножества записей из исследуемой таблицы. Если для такой регрессионной модели процент присутствующих в таблице записей меньше, чем заданный минимум, то данная регрессионная модель также отвергается.
В течение одного запуска вычислительного процесса система PolyAnalyst может проверить большое число регрессионных моделей, из которых выбирает наилучшую и выдает все её статистические характеристики для последующей проверки.
Результирующие значения базовых объемов и коэффициентов, полученные для второго платёжного диапазона, сведены в таблицу 3.1. Здесь по диагонали расставлены базовые объёмы услуг, а в остальных клетках коэффициенты линейных связей. Строки таблицы идентифицированы видами услуг как зависимыми переменными, а столбцы - как влияющими переменными.
Оценка лояльности клиента по отношению к услугам компании с учётом его характеристик
Согласно проведённой сегментации клиент с характеристиками (SEX= О, REGION = Оренбург, DATA = Январь) является лояльными по отношению к компании в соответствии с определённым платёжным диапазоном - ПДг Каждый из диапазонов имеет своё распределение между услугами, представленное через регрессионно-когнитивное моделирование, имеющее в своём составе знаковый (сигнальный) граф взаимовлияний услуг друг на друга (рисунки 3.21-3.25), который описывается через соответствующие регрессионные уравнения.
Для определения возможных услуг, которыми может воспользоваться клиент, и их объёмов внутри платёжного диапазона необходимо проанализировать систему регрессионных уравнений с учётом процентного соотношения услуг для конкретного клиента (пример рисунок 3.4). Пересчёт регрессионных уравнений с учётом коэффициентами влияния таблицы 3.1 и предполагаемых величин даст прогнозируемые значения по всем услугам.
Результаты, полученные в таблице 3.6, отражают степень уверенности относительно клиента об использовании услуг. Так с учётом влияния услуг друг на друга можно сказать, что с вероятностью 0,84 данный клиент воспользуется услугой МОВ, 0,57 - услугой GOROD и т.д.
Изложенная методология анализа личностных характеристик клиента, сочетающая в себе методологии сегментации данных по формуле Байеса и оценки взаимовлияний между различными факторами внутри сегментов, представляет собой эффективный механизм определения лояльности клиентов. Главная особенность состоит в том, что введение новых факторов, как в сегментацию, так и в механизм определения взаимозависимостей между факторами существенно не изменяет алгоритм определения лояльности, а лишь усложняет его, дополняя новыми условиями. Выявление наиболее лояльных клиентов по отношению к телекоммуникационной компании поможет производить более эффективную работу, нацеленную на индивидуальный подход к клиенту, а, следовательно, влиять на их лояльность.
1) Разработаны методы анализа лояльности клиента, которые позволят компании-оператору выявлять наиболее лояльных клиентов, учёт которых может сильно отразиться на перераспределении средств, а, следовательно, и на деятельности компании в целом.
2) Эффективность данных подходов заключается в том, что они позволяют своевременно производить анализ клиентов и прогнозирование объёмов услуг для данных клиентов с целью эффективного выстраивания с ними своей работы.
3) Подход анализа лояльности клиента при помощи сегментации, основанной на формуле Байеса, и оценки взаимовлияний между факторами внутри сегмента, основанные на регрессионно-когнитивном моделировании и логит-преобразованиях, решают принципиально различные задачи, но интегрирую эти методики, компания может выявить полезную для себя информацию с целью увеличения лояльности своих клиентов. ЗАКЛЮЧЕНИЕ
В работе показано, что при современной ситуации на рынке телекоммуникационных услуг, использование предлагаемых алгоритмов оценки лояльности клиентов является важным фактором повышения эффективности деятельности телекоммуникационной компании.
Выполнен аналитический обзор методов анализа лояльности клиентов, по результатам которого установлено, что наиболее перспективным при решении данных задач является сегментный анализ, основанный на байесовском подходе. Также с целью установки возможных взаимосвязей между элементами сегмента целесообразно использовать методологию регрессионно-когнитивного анализа.
Предлагаемая в работе сегментация телекоммуникационных данных с учётом стереотипов клиентов компании, основанная на индивидуальных (личностных) характеристиках, позволяет оперативно и с большей достоверностью принимать управленческие решения, а также делать соответствующие прогнозы платежеспособности как для индивидуальных, так и для корпоративных клиентов.
